Precificação de imóveis em Florianópolis utilizando técnicas de aprendizado de máquina

Abstract

A crescente demanda do mercado por modelos de precificação de imóveis eficientes destaca a importância das técnicas de machine learning para a predição de preços, proporcionando aos corretores ferramentas para avaliações mais precisas. Este trabalho objetiva aplicar metodologias de aprendizagem computacional para a avaliação de imóveis, com foco na cidade de Florianópolis, e identificar a metodologia de melhor desempenho. Utilizando dados coletados via web scraping da plataforma Viva Real, o estudo envolveu a análise exploratória e preparação dos dados para treinamento e otimização dos modelos Lasso Regression, Random Forest e XGBoost, sendo este último o mais eficaz, com um R² de 0.70, RMSE de 3.67e+05 e MAPE de 24.12%. O estudo contribuiu para avaliar a performance de um modelo genérico para diferentes bairros, além da importância que o mesmo atribui a diferentes amenidades de um imóvel. Conclui-se que a utilização de machine learning é uma abordagem promissora para a precificação de imóveis, com potencial para beneficiar todo o ecossistema imobiliário, mas que necessita de mais pesquisas para melhorar a confiabilidade e a validade da tomada de decisão do algoritmo para então ser utilizada no setor imobiliário. As limitações do estudo e sugestões para trabalhos futuros foram discutidas, apontando para a necessidade de contínua melhoria e adaptação dos modelos com a utilização de um maior volume de dados e de atributos que reflitam melhor as necessidades do consumidor.

The growing market demand for efficient property pricing models highlights the importance of machine learning techniques for price prediction, providing brokers with tools for more accurate evaluations. This work aims to apply computational learning methodologies for property valuation, focusing on the city of Florianópolis, and identify the best-performing methodology. Using data collected via web scraping from the Viva Real platform, the study involved exploratory analysis and data preparation for training and optimizing the Lasso Regression, Random Forest, and XGBoost models, with the latter being the most effective, achieving an R² of 0.70, RMSE of 3.67e+05, and MAPE of 24.12%. The study contributed to evaluating the performance of a generic model for different neighborhoods and the importance it assigns to various property amenities. It is concluded that the use of machine learning is a promising approach for property pricing, with the potential to benefit the entire real estate ecosystem. However, more research is needed to improve the reliability and validity of algorithmic decision-making before it can be used in the real estate sector. The study’s limitations and suggestions for future work were discussed, pointing to the need for continuous improvement and adaptation of the models by using a larger volume of data and attributes that better reflect consumer needs.